Mapping global trends in vaccine sales before and during the first wave of the COVID-19 pandemic: a cross-sectional time-series analysis
Notice bibliographique
Résumé
BACKGROUND: While the COVID-19 pandemic may have substantially hindered the provision of routine immunisation services worldwide, we have little data on the impact of the pandemic on vaccine supply chains. METHODS: We used time-series analysis to examine global trends in vaccine sales for a total of 34 vaccines and combination vaccines using data from the IQVIA MIDAS Database between August 2014 and August 2020 across 84 countries. We grouped countries into three income-level categories, and we modelled the changes in vaccine sales from April to August 2020 versus April to August 2019 using autoregressive integrated moving average models. RESULTS: In March 2020, global sales of vaccines dropped from 1211.1 per 100 000 to 806.2 per 100 000 population in April 2020, an overall decrease of 33.4%; however, the vaccine sales interruptions recovered disproportionately across economies. Between April 2020 and August 2020, we found a significant decrease of 20.6% (p<0.001) in vaccine sales across high-income countries (HICs), in contrast with a significant increase of 10.7% (p<0.001) across lower middle-income countries (LMICs), relative to the same period in 2019. From August 2014 through August 2020, monthly per capita vaccine sales across HICs remained, on average, at least four times higher than in LMICs and nearly three times higher than in upper middle-income countries. CONCLUSION: Our study revealed the heterogeneous impact of COVID-19 on vaccine sales across economies while underlining the substantial consistent disparities in per capita vaccine sales before and during the first wave of the COVID-19 pandemic. Action to ensure equitable distribution of vaccines is needed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».